論文の概要: Images as Tables: In-Context Learning with TabPFN for Low-Data Detection of AI-Generated Images

• arxiv url: http://arxiv.org/abs/2606.00872v1
• Date: Sat, 30 May 2026 20:00:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.895196
• Title: Images as Tables: In-Context Learning with TabPFN for Low-Data Detection of AI-Generated Images
• Title（参考訳）: テーブルとしてのイメージ:AI生成画像の低データ検出のためのTabPFNを用いたインコンテキスト学習
• Abstract要約: 1つのジェネレータでトレーニングされた検出器は、新しいジェネレータが現れると失敗することが多い。 本稿では, 凍結したDINOv3バックボーンによって各画像が符号化される, 簡単な画像からテーブルへの定式化について検討する。 DINOv3-PCA-TabPFNは,実用上重要な低データ体制において強くなっている。
• 参考スコア（独自算出の注目度）: 21.11425002008934
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI-generated image detection is a moving-target problem: detectors trained on one generator often fail when a new generator appears, and only a few labeled examples are available. We study a simple image-to-table formulation for this regime, where each image is encoded by a frozen DINOv3 backbone, its CLS feature is reduced to a 500-dimensional structured row with PCA, and TabPFN performs real/fake classification by in-context tabular inference rather than task-specific classifier training. This turns fake-image detection into low-data structured prediction over learned visual features, making detector adaptation depend on the labeled context set instead of gradient-based fine-tuning. On GenImage, LATTE, a recent state-of-the-art detector, remains stronger when many labeled samples from all generators are available, by 7.4% in the largest pooled setting, but DINOv3-PCA-TabPFN is stronger in the practically important low-data regime, outperforming LATTE by up to 8.2%, and in transfer settings where the detector must generalize from one generator to another. These results position tabular foundation models as a strong complementary adaptation mechanism for image forensics, shifting adaptation from detector retraining to lightweight in-context updates with a small labeled set of examples. Code URL: https://github.com/jpwalter30/Towards-Generalizable-Detection-of-AI-Generated-Images
• Abstract（参考訳）: AI生成画像検出は移動目標問題である。1つのジェネレータでトレーニングされた検出器は、新しいジェネレータが現れると失敗することが多く、ラベル付きサンプルはわずかである。 そこで,PCAを用いた500次元構造化行に縮小し,タスク固有分類器のトレーニングではなく,テキスト内表型推論による実/フェイク分類を行う。 これにより、偽画像検出は学習された視覚的特徴に対する低データ構造予測に変換され、ディテクター適応は勾配に基づく微調整ではなくラベル付きコンテキストセットに依存する。 しかし、DINOv3-PCA-TabPFNは、事実上重要な低データ体制において強く、LATTEを最大8.2%上回り、検出器が1つのジェネレータから別のジェネレータに一般化しなければならない転送設定において強い。 これらの結果は,画像法医学の強力な補完的適応機構として表層基礎モデルを位置づけ,検出器の再トレーニングから,小さなラベル付きサンプルセットによる軽量なインコンテキスト更新への適応をシフトさせた。 コードURL:https://github.com/jpwalter30/Towards-Generalizable-Detection-of-AI-Generated-Images

関連論文リスト

• Test-Time Curriculum for Open-Set AIGC Detection [31.702537861903014]
  Test-Time Curriculum (TTC)は、カリキュラムベースの自己学習を通じてラベルのないテストデータに検出器を適用する。 TTCは、信頼性の高い擬似ラベルのサンプルから始まり、より難しいが有益な事例を取り入れている。 クロススケール Pseudo-Label Refinement は、より信頼性の高い適応のために複数の解像度で補完的な証拠を集約する。
  論文  参考訳（メタデータ） (2026-08-01T09:42:45Z)
• Where Detectors Fail: Probing Generative Space for Generalizable AI-Generated Image Detection [69.6123714120735]
  AI生成画像(AIGI)の検出は、検出器が見えないジェネレータに一般化できないことが多いため、依然として難しい。 本稿では, 生成過程の挑戦領域を積極的に探究することで, 検出器の一般化を改善するフレームワーク PROBE を提案する。
  論文  参考訳（メタデータ） (2026-05-24T07:15:06Z)
• SubspaceAD: Training-Free Few-Shot Anomaly Detection via Subspace Modeling [6.476948781728136]
  SubspaceADは、産業画像の視覚異常を検出するトレーニング不要の方法である。 トレーニング、即時チューニング、メモリバンクなしでワンショット、数ショットの設定で動作します。 MVTec-ADデータセットで98.0%、97.6%、VisAデータセットで93.3%、98.3%の画像レベルとピクセルレベルのAUROCを実現している。
  論文  参考訳（メタデータ） (2026-02-26T13:52:57Z)
• Advancing Weakly-Supervised Change Detection in Satellite Images via Adversarial Class Prompting [49.15470825004932]
  本稿では,この共起雑音問題に対処するAdvCP法を提案する。 私たちのAdvCPは、追加の推論コストを加えることなく、現在のWSCDメソッドにシームレスに統合できます。
  論文  参考訳（メタデータ） (2025-08-24T02:02:16Z)
• Towards Generalizable AI-Generated Image Detection via Image-Adaptive Prompt Learning [33.269644831847636]
  画像適応型プロンプト学習(IAPL)は、学習後に修正するのではなく、各入力画像に応じてプロンプトを調整する新しいパラダイムである。 IAPLは、広く使われているUniversalFakeDetectとGenImageデータセットで95.61%と96.7%の精度で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-08-03T05:41:24Z)
• FakeInversion: Learning to Detect Images from Unseen Text-to-Image Models by Inverting Stable Diffusion [18.829659846356765]
  本稿では,オープンソース事前学習型安定拡散モデルを用いて得られた特徴を用いた新しい合成画像検出器を提案する。 これらの逆転により、検出器は高視力の未確認発電機によく一般化できることが示される。 本稿では, 逆画像探索を用いて, 検出器評価におけるスタイリスティックおよびテーマバイアスを緩和する, 新たな挑戦的評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2024-06-12T19:14:58Z)
• Raising the Bar of AI-generated Image Detection with CLIP [50.345365081177555]
  本研究の目的は、AI生成画像の普遍的検出のための事前学習された視覚言語モデル(VLM)の可能性を探ることである。 我々は,CLIP機能に基づく軽量な検出戦略を開発し,その性能を様々な難易度シナリオで検証する。
  論文  参考訳（メタデータ） (2023-11-30T21:11:20Z)
• Simple Open-Vocabulary Object Detection with Vision Transformers [51.57562920090721]
  本稿では,画像テキストモデルをオープン語彙オブジェクト検出に転送するための強力なレシピを提案する。 我々は、最小限の修正、コントラスト的な画像テキスト事前学習、エンドツーエンド検出細調整を備えた標準のVision Transformerアーキテクチャを使用する。 我々は、ゼロショットテキスト条件とワンショット画像条件オブジェクト検出において、非常に強力な性能を達成するために必要な適応戦略と正規化を提供する。
  論文  参考訳（メタデータ） (2022-05-12T17:20:36Z)
• A Hierarchical Transformation-Discriminating Generative Model for Few Shot Anomaly Detection [93.38607559281601]
  各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。 この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
  論文  参考訳（メタデータ） (2021-04-29T17:49:48Z)
• CutPaste: Self-Supervised Learning for Anomaly Detection and Localization [59.719925639875036]
  通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。 まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。 MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
  論文  参考訳（メタデータ） (2021-04-08T19:04:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。